为什么 LDA 预测不正确

Why are LDA predictions incorrect

第 1 步

我正在使用 R 和 "topicmodels" 包从 4.5k 文档语料库构建 LDA 模型。我执行了通常的预处理步骤(停用词、削减 low/high 词频、词形还原)并最终得到了一个我很满意的 100 个主题模型。事实上,它几乎是满足我需求的完美模型。

justlda <- LDA(k=100, x=dtm_lemma, method="Gibbs", control=control_list_gibbs)

第 2 步

然后我使用与上面完全相同的过程预处理一个新的(模型看不到的)300 个文档语料库,然后将其转换为文档术语矩阵,然后使用 "posterior" 函数相同的包来预测新数据的主题。 该语料库来自同一作者,与训练集非常相似。

我的问题

我得到的预测(后验概率)是完全错误的。 这是我用来获取后验的代码:

topics = posterior(justlda, dtm_lemma, control = control_list_gibbs)$topics

感觉不仅预测错了,题目权重也很低。没有什么是主导话题。 (对于这个 100 个主题的模型,大多数主题的权重为 0.08,我很幸运得到了一个甚至不相关的 0.20 权重...)

我使用 NLP/LDA 和 R 语言的经验还不到一年。我觉得我可能在某个地方犯了一个非常业余的错误,可以解释错误的预测?

这样的结果正常吗?我可能做错了什么?

我不是 100% 确定你所说的 'wrong' 是什么意思。我做了一个快速测试,看看 posterior 是否适用于新数据。首先,我 运行 一个包含 AssociatedPress 数据集所有文档的模型:

library(topicmodels)
data("AssociatedPress")
ap_lda <- LDA(AssociatedPress, k = 5, control = list(seed = 1234))

根据您的问题,我怀疑您正在查看此处每个文档最可能的主题。为了保持可比性,我根据一些整洁的包构建了自己的查找方式:

library(tidytext)
library(dplyr)
library(tidyr)
ap_documents <- tidy(ap_lda, matrix = "gamma")
ap_documents %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most likely topic
  arrange(document)
# A tibble: 2,246 x 3
# Groups:   document [2,246]
   document topic gamma
      <int> <int> <dbl>
 1        1     4 0.999
 2        2     2 0.529
 3        3     4 0.999
 4        4     4 0.518
 5        5     4 0.995
 6        6     2 0.971
 7        7     1 0.728
 8        8     2 0.941
 9        9     4 0.477
10       10     5 0.500
# ... with 2,236 more rows

现在我再次 运行 相同的 LDA,但保留了前 10 个文档:

AssociatedPress_train <- AssociatedPress[11:nrow(AssociatedPress), ]
AssociatedPress_test <- AssociatedPress[1:10, ]

ap_lda <- LDA(AssociatedPress_train, k = 5, control = list(seed = 1234))

我使用 posterior 来获取每个文档的 gamma 值,再次只保留最有可能的值:

posterior(object = ap_lda, newdata = AssociatedPress_test)$topics %>%
  as_tibble() %>% 
  mutate(document = seq_len(nrow(.))) %>% 
  gather(topic, gamma, -document) %>% 
  group_by(document) %>% 
  top_n(1, gamma) %>% # keep only most probable topic
  arrange(document)
# A tibble: 10 x 3
# Groups:   document [10]
   document topic gamma
      <int> <chr> <dbl>
 1        1 4     0.898
 2        2 2     0.497
 3        3 4     0.896
 4        4 4     0.468
 5        5 4     0.870
 6        6 2     0.754
 7        7 1     0.509
 8        8 2     0.913
 9        9 4     0.476
10       10 2     0.399

除文档 10 外,所有文档的最可能主题都与之前相同。所以一切似乎都很好!所以我没有发现您的代码有直接问题。

有一件事我没有测试过,如果训练集和测试集的 DTM 有不同的列会发生什么。我怀疑那会是个问题。

这里有一个简单的例子来说明如何处理这个问题:

text1 <- tibble(doc = 1, word = LETTERS[1:10])
text2 <- tibble(doc = 1, word = LETTERS[2:11])
dtm1 <- text1 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

dtm2 <- text2 %>%
  count(doc, word) %>%
  arrange(word) %>%
  cast_dtm(doc, word, n)

all.equal(dtm1$dimnames$Terms, dtm2$dimnames$Terms)
[1] "10 string mismatches"

我制作了两个 DTM,其中第二个有一个额外的术语,而另一个缺少一个术语。因此 dimnames 是不同的。我们可以通过将 DTM 恢复为整洁的格式来使它们相等,删除多余的术语并在再次转换 DTM 之前添加缺少的术语:

dtm2_clean <- tidy(dtm2) %>% 
  filter(term %in% dtm1$dimnames$Terms) %>% 
  rbind(tibble(document = 1, 
               term = dtm1$dimnames$Terms, # adding term but no counts
               count = 0)) %>% 
  arrange(term) %>% 
  cast_dtm(document, term, count)

all.equal(dtm1$dimnames$Terms, dtm2_clean$dimnames$Terms)
[1] TRUE

您现在可以将其用作后验的新数据。